Sistema predictivo multimodal para la detección temprana y prevención del síndrome de burnout en entornos laborales

Abstract

En este trabajo se diseñó e implementó un sistema predictivo multimodal para la detección temprana y prevención del síndrome de burnout en entornos laborales. La investigación partió de la necesidad de complementar los métodos tradicionales basados en cuestionarios, incorporando señales adicionales derivadas del análisis de texto y del reconocimiento de emociones faciales. Como base empírica, se recolectó una muestra inicial de 110 respuestas mediante el Maslach Burnout Inventory (MBI), a partir de la cual se construyó un dataset semilla para el análisis estadístico y el entrenamiento preliminar de modelos predictivos. Debido a que los primeros resultados mostraron métricas excesivamente altas en una muestra limitada, se implementó una simulación Monte Carlo para ampliar el escenario experimental a 5.000 registros y obtener un contexto de evaluación más estable. La metodología integró análisis estadístico en IBM SPSS Statistics, modelos de machine learning y el desarrollo de un prototipo funcional en Streamlit, con almacenamiento en MongoDB y generación de alertas tempranas. Los resultados evidenciaron que el agotamiento emocional y la despersonalización fueron variables relevantes en la predicción del riesgo de burnout. Asimismo, el enfoque multimodal permitió enriquecer la interpretación del riesgo al integrar información procedente del MBI, del análisis textual y de señales emocionales complementarias. Se concluyó que la propuesta es técnicamente viable y metodológicamente pertinente como prototipo de detección temprana, aunque requiere validación futura con datos multimodales reales, muestras más amplias y evaluación en contextos organizacionales diversos.

In this study, a multimodal predictive system was designed and implemented for the early detection and prevention of burnout syndrome in work environments. The research was based on the need to complement traditional questionnaire-based methods by incorporating additional signals derived from text analysis and facial emotion recognition. As an empirical basis, an initial sample of 110 responses was collected using the Maslach Burnout Inventory (MBI), from which a seed dataset was built for statistical analysis and preliminary predictive modeling. Since the initial results showed excessively high metrics in a limited sample, a Monte Carlo simulation was implemented to expand the experimental scenario to 5,000 records and obtain a more stable evaluation context. The methodology integrated statistical analysis in IBM SPSS Statistics, machine learning models, and the development of a functional prototype in Streamlit, with MongoDB storage and an early alert system. The results showed that emotional exhaustion and depersonalization were relevant variables in predicting burnout risk. Likewise, the multimodal approach enriched risk interpretation by integrating information from the MBI, textual analysis, and complementary emotional signals. It was concluded that the proposal is technically feasible and methodologically relevant as an early detection prototype, although future validation with real multimodal data, larger samples, and evaluation in diverse organizational contexts is required.